构造式隐写是近年来学术界研究的热点，最近的研究表明，由秘密信息直接生成高质量的数字图像是可以实现的。本期介绍复旦大学多媒体智能安全实验室在ACM MM 2022上录用的两篇论文，采用不同的手段实现了两种构造式隐写方法，本篇是第二篇。

传统隐写方法会造成图像像素值的修改，学者们提出构造式隐写来避免这种修改。然而，现有的方法生成的图像质量较低，并且大多数方法没有考虑噪声的影响，在JPEG压缩等噪声干扰后，秘密信息不能提取出来。社交网络的兴起使得信息传递更为方便，这种有噪声的信道给信息隐藏带来了新的机遇和挑战。在本文中，我们提出了一个新的鲁棒的构造式信息隐藏模型，我们的模型根据需要传输的秘密信息，直接生成一张图片，并且可以抵抗JPEG压缩的攻击，接收方可以直接根据这张图片提取出秘密信息。另外，我们发现在社交网络上，表情包和头像被人们广泛使用，如果以这种常见的形式传递秘密信息，会进一步降低攻击者的怀疑，因此我们考虑生成人脸图像和表情包来进行传递秘密信息。

图1 模型应用场景

我们的模型分为生成器、鉴别器、提取器、噪声模块四个部分，模型以生成对抗的方式进行训练。为了抵抗JPEG等攻击，我们考虑从语义角度进行秘密信息的传递，因为大多数的语义信息在这些攻击后仍能保持不变。本文中，我们使用了图像生成器的归一化操作所需要的scale和bias来进行秘密信息的嵌入。我们在模型中加入了噪声模块一起训练，由于JPEG操作是不可导的，不能直接加入到网络中，我们将经过JPEG压缩后的图像与原图做差，将之作为常数加到原图上。对于表情包图像的生成，我们使用了FERG-DB数据集，这个数据集包括了6个卡通人物，每个卡通人物有7种表情，可选的表情向量可以控制生成图像的表情。

对比现有的几种构造式隐写方法，文献[1]中提出利用图像生成过程中添加的随机噪声进行嵌入，文献[2]中提出使用结构张量进行秘密信息的嵌入，本文则使用归一化操作所需要的参数来代表秘密信息。这三种方式分别对应Style-GAN中不同的输入，通过控制生成器的不同部分来合成含密图像。

图2 方法框架

我们使用了FID来评估图像生成的质量，结果显示，我们图像的质量较之前方法更优。在鲁棒性方面，训练阶段，我们使用了质量因子为90、80、70、60、50的JPEG压缩，在测试时质量因子采用90、80、70、60、50、95、85、75、65、55，均能取得较高的提取准确率。另外，我们还考虑了一些常见的图像操作，如模糊、旋转、噪声等，我们的模型也能够抵抗这些攻击。在安全性方面，由于我们使用的图像尺寸较小，只需要很少的显存就可以训练，我们可以使用不同数据集、网络结构生成新的隐写模型。即使攻击者基于已掌握的隐写模型训练网络来判断图像是否含密，在新的隐写模型上很难取得泛化能力。实验表明，我们的模型在图像质量、鲁棒性、安全性方面都有不错的效果。

图3 生成人脸图像示例

图4 生成表情包示例

参考文献

[1] Ping Wei, Sheng Li, Xinpeng Zhang, Ge Luo, Zhenxing Qian, and Qing Zhou. 2022. Generative Steganography Network. In Proceedings of the 30th ACM International Conference on Multimedia (MM ’22), October 10–14, 2022, Lisbon, Portugal.

[2] Liu, Xiyao, Ziping Ma, Junxing Ma, Jian Zhang, Gerald Schaefer, and Hui Fang. "Image Disentanglement Autoencoder for Steganography Without Embedding." In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 2303-2312. 2022.

本文论文信息

Zhengxin You, Qichao Ying, Sheng Li, Zhenxing Qian, Xinpeng Zhang. Image Generation Network for Covert Transmission in Online Social Network. ACM Multimedia, 2022.

论文链接：https://arxiv.org/pdf/2207.10292.pdf

复旦大学计算机科学技术学院

多媒体智能安全实验室

实验室主页：http://fudanmas.com/

实验室介绍：复旦大学计算机学院多媒体智能安全实验室（文旅部数字文化保护与旅游数据智能计算重点实验室），现有教师3人、在站博士后2人、在读博士/硕士生50人，主要研究方向包括：信息隐藏、多媒体取证、神经网络安全、智能聊天机器人、多媒体应用技术等五个方向。实验室团队已发表SCI论文400余篇，多篇论文发表在IEEE TIFS, TIP, TDSC, TCSVT, TMM, TCYB、AAAI、IJCAI、ACM MM等顶刊顶会。欢迎各位青年才俊加入复旦多媒体智能安全实验室，也欢迎青年学子来实验室就读。联系人：钱振兴，邮箱：zxqian@fudan.edu.cn.

声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。